Bibliographic record
Abstract
Les studios où est produite et enregistrée la musique hip-hop sénégalaise se distinguent les uns des autres selon des critères qui tiennent autant aux équipements utilisés qu’aux configurations spatiales et géographiques. En fonction de leur localisation, des parcours de leurs propriétaires, de leurs utilisateurs, mais aussi de leurs usages, ces studios entretiennent en effet des liens spécifiques avec leur environnement social, culturel, et urbain. À Dakar, des studios sont installés dans une chambre, elle-même située dans un appartement familial ; d’autres occupent un appartement individuel entièrement consacré à la production sonore et à l’enregistrement. Certains lieux réunissent plusieurs studios, des bureaux, et des salles de réunion. Bien que partageant la même dénomination, ces lieux recouvrent des réalités sociales et créatives différentes. En s’appuyant sur les données recueillies lors d’un terrain de recherche ethnographique réalisé entre 2019 et 2020 à Dakar auprès d’une quinzaine de beatmakers et d’ingénieurs du son sénégalais dans le cadre de ma thèse, cet article analyse la façon dont ces lieux s’inscrivent à la fois dans les circuits de création et de diffusion de la musique (à l’échelle locale comme à l’échelle globale), et aussi dans la vie sociale des quartiers où ils sont implantés, en interrogeant les pratiques musicales qui y ont lieu au prisme des relations qu’ils entretiennent avec leur environnement social et urbain.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.006 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.067 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".